cuevogenet - universidad de sevilla cuevogene… · booleanas • continuo: ... algoritmo de...

cuEVOGENETParalelización en CUDA de la Dinámica Evolutiva de Redes Génicas

Realizado por:

Raúl García Calvo

Dirigido por:

Fernando Díaz del Río

José Luis Guisado Lizar

Objetivos

• Implementar un algoritmo genético en CUDA para analizar

redes complejas

• Estudiar el rendimiento obtenido

Índice1. Antecedentes

1. Biología de sistemas y redes génicas

2. Modelo matemático usado

3. Problema a resolver

4. Algoritmos genéticos

5. CUDA

2. Implementación en CUDA

3. Estudio de pruebas y resultados

4. Conclusiones

Biología de sistemas y redes génicas

Enfoque reduccionista y estático Enfoque dinámico y evolutivo


Sistema biológico realReacciona a cambios del

entorno generando proteínas


Gen: zona del ADN que se traduce en proteína

¿Qué proteína crear?

Factores de transcripción: moléculas que se unen al ADN para acelerar o disminuir el

ritmo de producción de proteínas.

Redes de regulación génica

Modelo matemático usado

Modelos:

• Lógico: redes

booleanas

• Continuo: ecuaciones

diferenciales

• A nivel unimolecular:

máximo nivel de detalle

Modelo matemático usado

Nodos: genes o proteínas

• Activo: verde (1)

• Inactivo: rojo (0)

Enlaces: factores de transcripción

• Activador: verde (1)

• Represor: rojo (-1)

• Sin enlace: 0

Problema a resolver

Fuente: Johnson JT, Hansen MS, Wu I, Healy LJ, Johnson CR, et al. (2006) Virtual Histology of

Transgenic Mouse Embryos for High-Throughput Phenotyping

¿?

Problema a resolver

Conjunto de reglas que obedece cada nodo

Comprobar mediciones

Algoritmo genéticoAlgoritmo de optimización heurístico

Definiciones:

• Cromosoma: posible solución al problema

• Gen: cada uno de los elementos de un

cromosoma

• Población: conjunto de cromosomas (posibles

soluciones)

• Función de evaluación: estima la bondad de los

cromosomas

Algoritmo genético

Modelo básico

Generar población

inicial

Condición de parada

Aplicar reglas

Evaluar población

Elección de padres

Entrecruzamiento

MutaciónMostrar mejor

individuo

Sí

No

Algoritmo genético

Modelo híbridoModelo paralelo: islas Modelo paralelo: celular

Índice1. Antecedentes

1. Biología de sistemas y redes génicas

2. Modelo matemático usado

3. Problema a resolver

4. Algoritmos genéticos

5. CUDA

2. Implementación en CUDA

3. Estudio de pruebas y resultados

4. Conclusiones

5. Estimación de coste

CUDAAmpliación C/C++ que permite ejecutar código paralelo en GPU

Arquitectura SIMD: una instrucción a múltiples datos

CUDA

• Registros: memoria: más rápida, poco

espacio

• Memoria compartida: muy rápida, ámbito

bloque

• Memoria (ámbito) local: ámbito hilo, lenta

• Memoria global: más amplia, lenta, ámbito

global

• Memoria constante: difusión dentro de un

warp

• Memoria de textura: optimizada para

patrones

CUDA

cuRANDGenera números pseudo-

aleatorios de manera muy

eficiente

cuBLASOperaciones básicas de

álgebra lineal de manera

paralela

ThrustProvee funciones de ordenación,

reducción, transformación, etc.

de vectores

Implementación en CUDA

+ +Islas

Celular

Híbrido

Algoritmo D. Aguilar-Hidalgo et.al.


Cada hilo aplica las reglas a un nodo.

Necesita:

• Estado todos los nodos (mem.

Compartida)

• Entradas a su nodo.

Proceso:

• Copìa su nodo a memoria

compartida

• Copia sus 32 entradas en array local

• Aplica las reglas 5 veces


Problema:

• Divergencias dentro de un warp:

cada nodo obedece a una regla y

unas entradas

Solución:

• Expresiones genéricas que ejecuten

todos los hilos y den el resultado

correcto


estados = {0, 1, estadoActual}

índiceEstados = [MOST, ABSOL_REPR, U_ACT, U_REPR}

Solución aplicada a las divergencias

El hilo calculará el nuevo estado para cara regla y

guardará el índice a ese nuevo estado dentro de

la posición correspondiente a su regla

estados = {0, 1, estadoActual}

índiceEstados = [1, 2, 1, 2}

Regla Estado

Mayoría (0) 1

Repr. Absoluto (1) Actual

U. Activadores (2) 1

U. Represores (3) Actual

Implementación en CUDAOtras mejoras

Contador en memoria compartida

Carga vectorial de entradas

Lectura escalar Lectura vectorial

Ace

lera

ció

n

Implementación en CUDAUso de cuBLAS para el evaluar individuos

Estudio de pruebas y resultadosUn equipo portátil con las siguientes características:

• Procesador Intel Core i7-4712MQ. Hasta 3.30 GHz, 4 núcleos, 8

hilos.

• 8 GB RAM DDR3 @ 800 MHz.

• MSI NVIDIA GeForce 820M. 96 CUDA Cores.

Un equipo de sobremesa con el siguiente hardware:

• Procesador Intel Core 2 Quad Q6600. Cuatro núcleos y 2.40 GHz.

• 2 GB RAM DDR2 @ 333 MHz.

• ASUS NVIDIA GeForce GTX 660. 960 CUDA Cores.

Pruebas• Aceleración

• Fitness sin islas

• Fitness con islas

• Fitness con modelo celular

• Fitness con modelo híbrido

• Fitness frente a tiempo por

generación

Estudio de pruebas y resultadosParalelismo a nivel de datos

240x poblaciones muy grandes

Tiempos para 1000 generaciones

Población

Ace

lera

ció

n

Estudio de pruebas y resultadosPruebas de fitness sin islas: Intentamos encontrar el mejor valor de mutación y la mejor

selección

Estudio de pruebas y resultadosPruebas de fitness sin islas

Élite:

Mutación enlaces = 0.001

Mutación reglas = 0.001

Ruleta:

Mutación enlaces = 0.001

Mutación reglas = 0.6

Generación1 10 100 1000 10000 100000

Generación

0.14

0.12

0.1

0.08

0.06

0.04

0.02

0

Fitn

ess

10240 Elite 20480 Elite 10240 Ruleta 20480 Ruleta

Estudio de pruebas y resultadosPruebas de fitness con islas, población constante

Estudio de pruebas y resultadosPruebas de fitness con islas, población por isla constante

Generación10 100 1000 10000 100000

0.018

0.016

0.014

0.012

0.01

0.008

0.006

0.004

0.002

0

Fitn

ess

Estudio de pruebas y resultadosPruebas de fitness con islas, tamaño de isla variable

10 100 1000 10000 100000Generación

0.0240.022

0.020.0180.0160.0140.012

0.010.0080.0060.0040.002

0

Fitn

ess

Estudio de pruebas y resultadosComparativa de todas las implementaciones

Híbrido: migraciones aleatorias

Resto: migraciones elitistas512 x 10 (16,16)

Celular 32 x 32

0.006

0.005

0.004

0.003

0.002

0.001

0

4096 x 3 (2,4)

Híbrido 32 x 32 (2,4)

512 x 10 (2,4)

Básico 20480 Élite

4096 x 3 (16,16)

300 500 700 900 1100 1300 1500 1700 1900 2100

Tiempo (s)

Fit

ne

ss

Conclusiones• Desarrollo de una implementación paralela sobre GPU (Graphics Processing Units)

usando C/C++ y CUDA de un algoritmo genético aplicado al campo de la

Bioinformática, que analiza la dinámica evolutiva de redes de regulación génica.

• Implementación de distintos modelos para la paralelización del algoritmo: modelo

maestro-esclavo, modelo de islas, modelo celular y modelo híbrido.

• Minimización del tiempo de ejecución del algoritmo mediante la aplicación de

procedimientos de desarrollo que optimicen el uso de los recursos de la GPU mediante

CUDA.

• Estudio comparativo del rendimiento obtenido por la aplicación paralela sobre GPU

empleando cada uno de los modelos frente a la aplicación secuencial sobre CPU

Trabajo futuro

• Añadir nuevos tipos de selección

• Mejorar aún más la eficiencia

• Añadir modelos matemáticos más complejos

• Algoritmo adaptativo

• Interfaz de usuario

Estimación de coste

Actividad

25/1

1/20

14

02/1

2/20

14

09/1

2/20

14

16/1

2/20

14

23/1

2/20

14

30/1

2/20

14

06/0

1/20

15

13/0

1/20

15

20/0

1/20

15

27/0

1/20

15

03/0

2/20

15

10/0

2/20

15

17/0

2/20

15

24/0

2/20

15

03/0

3/20

15

10/0

3/20

15

17/0

3/20

15

24/0

3/20

15

31/0

3/20

15

07/0

4/20

15

14/0

4/20

15

21/0

4/20

15

28/0

4/20

15

05/0

5/20

15

12/0

5/20

15

19/0

5/20

15

26/0

5/20

15

02/0

6/20

15

09/0

6/20

15

16/0

6/20

15

23/0

6/20

15

30/0

6/20

15

07/0

7/20

15

14/0

7/20

15

Búsqueda de fuentesEstudio del problema y del algoritmo propuestoAprendizaje y prácticas de C y CUDAEstudio de diferentes planteamientos de GA en CUDAImplementación secuencialPruebas de correcciónImplementación paralelaEnfoque maestro-esclavoPruebas de correcciónEnfoque celularPruebas de correcciónEnfoque por islasPruebas de correcciónPruebas y rendimiento alg. secuencialPruebas y rendimiento alg. paralelosRedacción de la memoria del proyectoDesarrollo de la presentación

cuEVOGENET

Media de 45 horas semanales x 32 semanas = 1440

horas

project

cuEVOGENET

Actividad

11/25/1412/2/1412/9/1412/16/1412/23/1412/30/141/6/151/13/151/20/151/27/152/3/152/10/152/17/152/24/153/3/153/10/153/17/153/24/153/31/154/7/154/14/154/21/154/28/155/5/155/12/155/19/155/26/156/2/156/9/156/16/156/23/156/30/157/7/157/14/152/5/002/6/002/7/002/8/002/9/002/10/002/11/002/12/002/13/002/14/002/15/002/16/002/17/002/18/002/19/002/20/002/21/002/22/002/23/002/24/002/25/002/26/002/27/002/28/003/1/00

Búsqueda de fuentes

Estudio del problema y del algoritmo propuesto

Aprendizaje y prácticas de C y CUDA

Estudio de diferentes planteamientos de GA en CUDA

Implementación secuencial

Pruebas de corrección

Implementación paralela

Enfoque maestro-esclavo


Enfoque celular


Enfoque por islas


Pruebas y rendimiento alg. secuencial

Pruebas y rendimiento alg. paralelos

Redacción de la memoria del proyecto

Desarrollo de la presentación

Implementación en CUDAGeneración de números aleatorios de calidad

Recomendación NVIDIA:

• Diferente número de secuencia por hilo: espacian los

hilos 267 posiciones para evitar solapamientos

Problema:

• Número de hilos muy grande Extremadamente

costoso

Solución:

• Mismo número de secuencia y diferente semilla para

cada hilo

Evolución celular

Evolución híbrido

Comparativa tiempos 100000 gen.

Solución encontrada

Fórmula distancia

Optimización migraciones

cuEVOGENETObjetivosÍndiceBiología de sistemas y redes génicasBiología de sistemas y redes génicasBiología de sistemas y redes génicasModelo matemático usadoModelo matemático usadoProblema a resolverProblema a resolverAlgoritmo genéticoAlgoritmo genéticoAlgoritmo genéticoÍndiceCUDACUDACUDAImplementación en CUDAImplementación en CUDAImplementación en CUDAImplementación en CUDAImplementación en CUDAImplementación en CUDAEstudio de pruebas y resultadosEstudio de pruebas y resultadosEstudio de pruebas y resultadosEstudio de pruebas y resultadosEstudio de pruebas y resultadosEstudio de pruebas y resultadosEstudio de pruebas y resultadosEstudio de pruebas y resultadosConclusionesTrabajo futuroSlide Number 34Estimación de costeImplementación en CUDAEvolución celular Evolución híbridoComparativa tiempos 100000 gen.Solución encontradaFórmula distanciaOptimización migraciones

cuevogenet - universidad de sevilla cuevogene… · booleanas • continuo: ... algoritmo de...

Documents